Qwen: Qwen3 ASR 1.7B

Qwen3-ASR-1.7B er Qwens større talegenkendelsesmodel i Qwen3-ASR-familien. Den modtager lyd og returnerer genkendt tekst sammen med en sprogbetegnelse. Familien bygger på grundlaget for lydforståelse i Qwen3-Omni og bruger én ASR-model til offline- og streaminggenkendelse. 1.7B-udgaven lægger vægt på genkendelseskvalitet, mens den særskilt navngivne 0.6B-udgave lægger vægt på effektivitet. Udgaverne forbliver særskilte valg, selv om de deler den dokumenterede sprogdækning og genkendelsesforløbene.

Sprogidentifikation og lyddækning

Producenten angiver 30 sprog og 22 kinesiske dialekter samt engelske accenter fra flere regioner. Sproglisten omfatter kinesisk, engelsk, kantonesisk, arabisk, tysk, fransk, spansk, portugisisk, indonesisk, italiensk, koreansk, russisk, thai, vietnamesisk, japansk, tyrkisk, hindi, malajisk, nederlandsk, svensk, dansk, finsk, polsk, tjekkisk, filippinsk, persisk, græsk, ungarsk, makedonsk og rumænsk. De understøttede lydtyper omfatter tale, sangstemme og sange med baggrundsmusik. Disse evner gør transskriptionen nyttig til interviews, forelæsninger, stemmeoptagelser og gennemgang af sangtekster, når den oprindelige lyd bevares til kontrol af vanskelige passager.

Forberedelse af lyd og fremstilling af en transskription

Producentens værktøjssæt accepterer en lydfilreference, kodet lyd eller en bølgeform sammen med dens samplingsfrekvens, og offlineforløbet kan behandle en samling optagelser. Det kan registrere sproget automatisk eller bruge et angivet understøttet sprog. Vælg automatisk registrering til en ukendt optagelse; angiv det faktiske talte sprog, når det er kendt og relevant for opgaven. Eksempelresultatet viser det registrerede eller valgte sprog og den genkendte tekst. Sprogindstillingen vejleder genkendelsen af optagelsen frem for at definere en anmodning om at omskrive indholdet til et andet sprog.

Til et interview skal du bevare optagelsens forbindelse til dato, emne og kildeidentifikator og derefter bruge den returnerede tekst som en søgbar transskription. Til en forelæsning skal du bevare fagtermer og numeriske udtryk under gennemgangen frem for ubemærket at erstatte uklare ord med en plausibel forklaring. Til en sang skal du kontrollere den genkendte tekst, mens du lytter til sangstemmen, især hvor musikken skjuler en stavelse. Transskriptionen kan blive input til et særskilt trin med sammenfatning, oversættelse eller redigering, når ordlyden er kontrolleret mod lyden.

Streaminggenkendelse og dens omfang

Den samme ASR-familie understøtter genkendelse, mens lyd ankommer. Producentens streamingeksempel indlæser successive lydstykker i en bevaret genkendelsestilstand, viser foreløbig tekst og afslutter derefter strømmen for at få det endelige sprog og den endelige transskription. Skeln mellem den aktuelle, løbende tekst og det afsluttede resultat, når du forbereder liveundertekster eller en løbende transskription. Den dokumenterede streamingimplementering kombinerer ikke streaming med batchinferens og returnerer ikke tidsstempler; en tidsangivet transskription bruger et andet forløb. Dette er detaljer i producentens implementering frem for et løfte om en applikations transport eller liveundertekstgrænseflade.

Timing af ord eller tegn med en særskilt aligner

Qwen3-ForcedAligner-0.6B tilpasser en lydoptagelse til angivet tekst og forudsiger start- og sluttider på ord- eller tegnniveau. Det er en særskilt model fra begge Qwen3-ASR-udgaver. ASR-værktøjssættet kan bruge denne aligner, når tidsstempler ønskes i dets offlinetransskriptionsforløb, eller tilpasningen kan køres på et eksisterende tekst–lyd-par. Alignerens dokumenterede dækning er 11 sprog: kinesisk, engelsk, kantonesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk. Dens angivne talespænd er op til fem minutter; dette er alignerens omfang, ikke et femminuttersloft for ASR-transskription.

Til undertekstforberedelse skal du først fremstille og gennemgå transskriptionen og derefter tilpasse den til kildeoptagelsen, hvor dette tilpasningsforløb er passende. Brug de returnerede start- og sluttider til at forberede undertekstsegmenter, og undersøg grænserne, mens du lytter. Tilpasning knytter angivne ord til lyd; det bør ikke behandles som bevis på, at en forkert transskription er blevet rettet. Det nyttige produkt er en kontrolleret transskription med tidsoplysninger, der forbliver forbundet med den optagelse, den beskriver.

Lange optagelser og praktiske begrænsninger

Familien understøtter transskription af lang lyd, og de officielle eksempler instruerer brugere i at tillade mere genereret tekst til længere input. De illustrative tokenindstillinger er konfigurationsvalg frem for en universel modelkontekst- eller lydvarighedsgrænse. Planlæg outputrammen efter optagelsen, og kontrollér, at afslutningen er med. Gennemgå navne, mængder, sprogskift, slørede ord og overlappende tale mod den oprindelige lyd. Sprogdækning og robusthed over for udfordrende lyd garanterer ikke en fejlfri transskription for enhver accent, enhver optagelse eller ethvert musikalsk arrangement. Et komplet resultat bevarer den genkendte ordlyd, sproget og forbindelsen til lyden, så det kan søges, redigeres eller bruges i et senere indholdsforløb.